Felo API PlatformFelo API Platform
بازگشت به مدل‌ها

Thinking Machines: Inkling 2 Small (free) API

Inkling 2 Small از Thinking Machines یک مدل چندوجهی متن و تصویر با معماری MoE پراکنده است که برای عوامل هوشمند، دستیار کدنویسی و سیستم‌های RAG طراحی شده است.

Inkling 2 Small یک مدل زبانی چندوجهی از Thinking Machines است که ورودی متن و تصویر را می‌پذیرد و خروجی متنی تولید می‌کند. این مدل بر پایه یک ترانسفورماتور رمزگشا با ۴۸ لایه ساخته شده و از یک ستون فقرات پیش‌خوراکی Mixture-of-Experts پراکنده بهره می‌برد. هر توکن به ۸ نفر از ۳۸۴ متخصص مسیریابی می‌شود. مدل در مجموع ۵۹۴ میلیارد پارامتر دارد که ۱۷ میلیارد پارامتر آن فعال است. تصاویر با یک ترانسفورماتور بینایی رمزگذاری می‌شوند و در یک فضای پنهان مشترک با متن پردازش می‌شوند. قالب‌های عددی MXFP8 و NVFP4 پشتیبانی می‌شوند.

این مدل برای زبان انگلیسی و دیگر زبان‌ها و همچنین زبان‌های برنامه‌نویسی متعدد در نظر گرفته شده است. موارد استفاده اصلی آن شامل گردش‌کارهای عاملی، دستیارهای کدنویسی، چت‌بات‌ها و سیستم‌های تولید افزوده با بازیابی است. همچنین برای استفاده گفتگوی عمومی، پیروی از دستور، وظایف مالی، خلق سه‌بعدی و تولید ویدئو از طریق کد مناسب است.

Inkling 2 Small در ابتدا به صورت اختصاصی از طریق پلتفرم Tinker و Tinker Playground شرکت Thinking Machines در دسترس است. وزن‌های مدل در تاریخ بعدی منتشر خواهند شد و انتشار وزن‌ها با مجوز Apache 2.0 برنامه‌ریزی شده است، هرچند تاریخ آن تأیید نشده است. Thinking Machines نظارت و بازبینی انسانی را برای خروجی‌های مورد استفاده در زمینه‌های حساس یا حیاتی توصیه می‌کند و از توسعه‌دهندگان می‌خواهد پیش از استقرار، ارزیابی خود را از عملکرد، ایمنی و انصاف انجام دهند. دانش مدل به اطلاعات موجود تا زمان قطع آموزش محدود است.

به‌روزرسانی:

MODEL ID

inkling-2-small:free
زمینه
1.049M
حداکثر خروجی
131.072K
API پیشنهادی
messages
ورودی
text / image
خروجی
video

نکات برجسته

  • معماری MoE پراکنده با ۱۷ میلیارد پارامتر فعال
  • پشتیبانی از ورودی متن و تصویر
  • طراحی‌شده برای عوامل هوشمند و RAG
  • کاهش نرخ توهم‌زایی به ۲۷ درصد
  • پشتیبانی از MXFP8 و NVFP4
  • در دسترس از طریق Tinker

ارائه‌دهندگان

1 ارائه‌دهنده

قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.

ارائه‌دهنده · جزئیات قیمت‌گذاری
دسترس‌پذیری
$0$0

بنچمارک‌ها

  • EnterpriseBench-CoreCraft

    از Surge AI؛ توانمندی‌های هوش مصنوعی عاملی

    71.8%
  • CritPt v2

    در مقایسه با ۳۴% برای Inkling Small و ۶۵% برای Gemini 3.8 Flash high

    56%
  • GPQA Diamond

    89.5
  • SWE-bench Verified

    80.2
  • MMMU Pro Standard 10 Options

    74
  • Terminal Bench 2.1

    64.7
  • MathArena AIME 2026

    95.5
  • AA-Briefcase

    Elo؛ در مقایسه با ۹۱۲ Elo برای Inkling Small، ۱۴۳۹ Elo برای Claude Sonnet 5.5 medium و ۱۲۰۳ Elo برای Gemini 3.8 Flash hi

    1527

امتیازها همان‌گونه که ارائه‌دهنده مدل منتشر کرده است.

استدلال

سطح تلاش پیش‌فرض
high
به‌طور پیش‌فرض فعال
بله
همیشه فعال
بله
سطوح تلاش موجود
max / high / medium / low / minimal

شروع سریع

کد آماده برای فراخوانی این مدل با APIهای سازگار با Felo API Platform. وقتی می‌خواهید پرامپت‌ها را پیش از نوشتن کد آزمایش کنید، از Playground شروع کنید.

1

کلید API خود را بگیرید

از حساب Felo API Platform خود کلیدی بسازید و آن را به‌عنوان متغیر محیطی تنظیم کنید.

export FELO_API_KEY="YOUR_API_KEY"
2

اولین درخواست خود را بفرستید

این شناسه مدل را با endpoint Felo API Platform به کار ببرید. سرآیندهای اختیاری درخواست مانند X-Request-Id می‌توانند در عیب‌یابی کمک کنند.

inkling-2-small:free

این مدل توان استدلال دارد. اگر پروتکل و مسیر مدل انتخاب‌شده کنترل‌های استدلال ارائه می‌دهند، هنگام ادامه گفتگو فراداده استدلال بازگشتی را نگه دارید.

const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.FELO_API_KEY}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
  "model": "inkling-2-small:free",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());

استفاده از SDKهای شخص ثالث

از SDKهای سازگار با تنظیم baseURL روی این نشانی استفاده کنید: https://openapi.felo.ai/api/v1. برای کلاینت‌های به سبک Claude از نشانی پایه سازگار با Anthropic استفاده کنید. https://openapi.felo.ai/api.

3

جریان را فعال کنید

برای دریافت پاسخ‌ها به‌صورت رویدادهای ارسالی از سرور، stream: true را اضافه کنید.

curl -N https://openapi.felo.ai/api/v1/messages \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "inkling-2-small:free",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Felo API Platform سطوح سازگار برای فراخوانی مدل ارائه می‌کند. سطحی را انتخاب کنید که برنامه یا کلاینت عامل شما از قبل پشتیبانی می‌کند.

سطحروشURL

Messages

پیام‌های سازگار با Anthropic برای کلاینت‌های به سبک Claude.

POST

https://openapi.felo.ai/api/v1/messages

پارامترها

نامنوعپیش‌فرضتوضیح
modelstringinkling-2-small:freeشناسه عمومی مدل برای فراخوانی.
max_tokensinteger—حداکثر token تولیدی.
messagesarray—پیام‌های گفتگو برای Chat Completions.
seed———
stop———
toolsarray—تعریف‌های فراخوانی ابزار بر پایه طرح‌واره سازگار.
top_p———
reasoning———
temperaturenumber—در صورت پشتیبانی، تنوع پاسخ را کنترل می‌کند.
reasoning_effort———
include_reasoning———

پرسش‌های متداول

معرفی مدل: Thinking Machines: Inkling 2 Small (free)?

Inkling 2 Small یک مدل زبانی چندوجهی از Thinking Machines است که ورودی متن و تصویر را می‌پذیرد و خروجی متنی تولید می‌کند. این مدل بر پایه یک ترانسفورماتور رمزگشا با ۴۸ لایه ساخته شده و از یک ستون فقرات پیش‌خوراکی Mixture-of-Experts پراکنده بهره می‌برد. هر توکن به ۸ نفر از ۳۸۴ متخصص مسیریابی می‌شود. مدل در مجموع ۵۹۴ میلیارد پارامتر دارد که ۱۷ میلیارد پارامتر آن فعال است. تصاویر با یک ترانسفورماتور بینایی رمزگذاری می‌شوند و در یک فضای پنهان مشترک با متن پردازش می‌شوند. قالب‌های عددی MXFP8 و NVFP4 پشتیبانی می‌شوند. این مدل برای زبان انگلیسی و دیگر زبان‌ها و همچنین زبان‌های برنامه‌نویسی متعدد در نظر گرفته شده است. موارد استفاده اصلی آن شامل گردش‌کارهای عاملی، دستیارهای کدنویسی، چت‌بات‌ها و سیستم‌های تولید افزوده با بازیابی است. همچنین برای استفاده گفتگوی عمومی، پیروی از دستور، وظایف مالی، خلق سه‌بعدی و تولید ویدئو از طریق کد مناسب است. Inkling 2 Small در ابتدا به صورت اختصاصی از طریق پلتفرم Tinker و Tinker Playground شرکت Thinking Machines در دسترس است. وزن‌های مدل در تاریخ بعدی منتشر خواهند شد و انتشار وزن‌ها با مجوز Apache 2.0 برنامه‌ریزی شده است، هرچند تاریخ آن تأیید نشده است. Thinking Machines نظارت و بازبینی انسانی را برای خروجی‌های مورد استفاده در زمینه‌های حساس یا حیاتی توصیه می‌کند و از توسعه‌دهندگان می‌خواهد پیش از استقرار، ارزیابی خود را از عملکرد، ایمنی و انصاف انجام دهند. دانش مدل به اطلاعات موجود تا زمان قطع آموزش محدود است.

هزینه استفاده چگونه محاسبه می‌شود؟

صورت‌حساب شما به ارائه‌دهنده‌ای که استفاده می‌کنید، قیمت‌های آن و میزان مصرف شما بستگی دارد. ورودی‌های طولانی‌تر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.

Inkling 2 Small چه ورودی‌هایی را پشتیبانی می‌کند؟

این مدل ورودی متن و تصویر را می‌پذیرد و خروجی متنی تولید می‌کند.

معماری مدل چگونه است؟

مدل بر پایه یک ترانسفورماتور رمزگشا با ۴۸ لایه و ستون فقرات Mixture-of-Experts پراکنده ساخته شده است. هر توکن به ۸ نفر از ۳۸۴ متخصص مسیریابی می‌شود و مدل ۵۹۴ میلیارد پارامتر کل با ۱۷ میلیارد پارامتر فعال دارد.

Inkling 2 Small برای چه وظایفی مناسب است؟

برای گردش‌کارهای عاملی، دستیارهای کدنویسی، چت‌بات‌ها، سیستم‌های تولید افزوده با بازیابی، وظایف مالی، خلق سه‌بعدی و تولید ویدئو از طریق کد مناسب است.

تفاوت Inkling 2 Small با Inkling Small چیست؟

نرخ توهم‌زایی از ۶۱ درصد در Inkling Small به ۲۷ درصد کاهش یافته و نرخ قبولی وظایف خودکار از ۵ درصد به ۴۶ درصد رسیده است. همچنین امتیاز آزمون کدنویسی از ۵ درصد به ۲۵ درصد افزایش یافته است.

آیا وزن‌های مدل منتشر شده‌اند؟

مدل در ابتدا اختصاصی است و از طریق Tinker و Tinker Playground در دسترس قرار دارد. انتشار وزن‌ها با مجوز Apache 2.0 برنامه‌ریزی شده اما تاریخ آن تأیید نشده است.

مدل‌های مرتبط